Évaluation des techniques d'Apprentissage Non Supervisé en IA

Audio automatique activé : les prochaines questions seront lues quand vous cliquerez sur Continuer.

1. 1

   Quel est l'objectif principal de l'apprentissage non supervisé?

   A Découvrir des structures cachées dans les données B Prédire des étiquettes pour de nouvelles données C Maximiser la précision de classification
2. 2

   Quelle méthode est utilisée pour réduire la dimensionnalité des données?

   A Classification bayésienne B Analyse en Composantes Principales (ACP) C Régression linéaire
3. 3

   Quelle approche partitionne les données en clusters?

   A Régression logistique B Réseaux de neurones artificiels C Algorithme de k-Means
4. 4

   Dans quel cas utiliseriez-vous l'analyse en clusters?

   A Segmentation de marché B Prédiction de prix C Classification d'emails
5. 5

   Quel terme décrit la réduction d'erreur associée aux données de haute dimensionnalité?

   A Surapprentissage B Biais de confirmation C Malédiction de la dimensionnalité
6. 6

   Quel algorithme est souvent utilisé pour l'analyse de regroupement hiérarchique?

   A Algorithme de support vectoriel B Algorithme de linkage hiérarchique C Algorithme de montée de gradient
7. 7

   Quelle bibliothèque Python est particulièrement utilisée pour l'apprentissage non supervisé?

   A TensorFlow B Keras C Scikit-learn
8. 8

   Quel est un exemple d'application de réduction de dimensionnalité?

   A Analyse des sentiments B Compression d'image C Classification d'images
9. 9

   Quel concept est souvent associé aux cartes auto-organisatrices?

   A Réseaux de neurones Kohonen B Champs aléatoires markoviens C Méthodes bayésiennes
10. 10

    Qu'est-ce que le clustering densité-reachability (DBSCAN) identifie?

    A Groupes denses séparés par des zones de moindre densité B Centroides de clusters fixes C Arrangement linéaire des points de données